5 - 多元函数微分学
5 - 多元函数微分学
文章目录
- 5 - 多元函数微分学
- 一、求导公式法与定义法的应用场景
- 二、全微分与偏导数
- 1. 全微分定义
- 2. 公式法判断是否可微的基本步骤
- 3. 连续、偏导数与全微分的关系
- 三、多元函数微分法则
- 1. 链式求导法则
- 2. 隐函数求导公式
- 四、多元函数极值与最值
- 1. 求极值-判别式法
- 2. 求最值和极值-拉格朗日乘数法
- 五、常用运算
- 1. 方程两边求全微分
- 2. 多元函数求极限
- 3. 微分间的运算
- 4. 二阶偏导数相等
一、求导公式法与定义法的应用场景
公式法 :在已知函数可导的前提下,求函数在 某一点 或 某一区间 上的导数,使用公式法
定义法 :当我们不确定函数是否处处可导的情况下,使用定义法来求函数在 某一点 上是否可导及其导数值
【注】 :当函数不是初等函数时,公式法没有对应的求导公式,只能使用定义法;但诸如 x x = x ln x x^x=x\ln x xx=xlnx 可以用公式法处理
二、全微分与偏导数
1. 全微分定义
如果 z = f ( x , y ) z=f(x,y) z=f(x,y) 在点 ( x , y ) (x,y) (x,y) 的全增量 Δ z = f ( x + Δ x , y + Δ y ) − f ( x , y ) \Delta z=f(x+\Delta x,y+\Delta y)-f(x,y) Δz=f(x+Δx,y+Δy)−f(x,y) ,可表示为
Δ z = A Δ x + B Δ y + o ( ( Δ x ) 2 + ( Δ y ) 2 ) \Delta z=A\Delta x+B\Delta y+o(\sqrt{(\Delta x)^2+(\Delta y)^2}) Δz=AΔx+BΔy+o((Δx)2+(Δy)2 )
A,B仅与 x,y 有关,则 A Δ x + B Δ y A\Delta x+B\Delta y AΔx+BΔy 为函数 z = f ( x , y ) z=f(x,y) z=f(x,y) 在点 ( x , y ) (x,y) (x,y) 的 全微分 ,记为 d z = A Δ x + B Δ y dz=A\Delta x+B\Delta y dz=AΔx+BΔy
【注】 一般求全微分为 d z = ∂ z ∂ x d x + ∂ z ∂ y d y dz=\frac{\partial z}{\partial x}dx+\frac{\partial z}{\partial y}dy dz=∂x∂zdx+∂y∂zdy
【注】 偏导数定义与一元函数类似 f x ′ ( x , y ) = ∂ f ( x , y ) ∂ x = lim Δ x → 0 f ( x + Δ x , y ) − f ( x , y ) Δ x f^\prime_x(x,y)=\frac{\partial f(x,y)}{\partial x}=\lim_{\Delta x\rightarrow0} \frac{f(x+\Delta x,y)-f(x,y)}{\Delta x} fx′(x,y)=∂x∂f(x,y)=limΔx→0Δxf(x+Δx,y)−f(x,y)
2. 公式法判断是否可微的基本步骤
写出全增量 Δ z = f ( x 0 + Δ x , y 0 + Δ y ) − f ( x 0 , y 0 ) \Delta z=f(x_0+\Delta x,y_0+\Delta y)-f(x_0,y_0) Δz=f(x0+Δx,y0+Δy)−f(x0,y0)
写出线性增量 A Δ x + B Δ y A\Delta x+B\Delta y AΔx+BΔy 其中 A = f x ′ ( x 0 , y 0 ) , A = f y ′ ( x 0 , y 0 ) A=f^\prime_x(x_0,y_0),A=f^\prime_y(x_0,y_0) A=fx′(x0,y0),A=fy′(x0,y0)
做极限 lim Δ x → 0 , Δ y → 0 Δ z − ( A Δ x + B Δ y ) ( Δ x ) 2 + ( Δ y ) 2 \lim_{\Delta x\rightarrow0,\Delta y\rightarrow0}\frac{\Delta z-(A\Delta x+B\Delta y)}{\sqrt{(\Delta x)^2+(\Delta y)^2}} limΔx→0,Δy→0(Δx)2+(Δy)2 Δz−(AΔx+BΔy) ,极限为 0 时,则原函数在 ( x 0 , y 0 ) (x_0,y_0) (x0,y0) 处可微,否则不可微
3. 连续、偏导数与全微分的关系
三、多元函数微分法则
1. 链式求导法则
z = f [ u ( t ) , v ( t ) ] z=f[u(t),v(t)] z=f[u(t),v(t)] 时 ,( 下面的也叫 全导数 )
d z d t = ∂ z ∂ u ⋅ d u d t + ∂ z ∂ v ⋅ d v d t \frac{dz}{dt}=\frac{\partial z}{\partial u}\cdot \frac{du}{dt}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dt} dtdz=∂u∂z⋅dtdu+∂v∂z⋅dtdv
【注】 通常 ∂ z ∂ u \frac{\partial z}{\partial u} ∂u∂z 也记为 f 1 ′ f^\prime_1 f1′ , ∂ z ∂ v \frac{\partial z}{\partial v} ∂v∂z 也记为 f 2 ′ f^\prime_2 f2′ ;二阶偏导数连续时 f 12 ′ ′ = f 21 ′ ′ f^{\prime\prime}_{12}=f^{\prime\prime}_{21} f12′′=f21′′z = f [ u ( x , y ) , v ( x , y ) ] z=f[u(x,y),v(x,y)] z=f[u(x,y),v(x,y)] 时,
∂ z ∂ x = ∂ z ∂ u ⋅ d u d x + ∂ z ∂ v ⋅ d v d x ∂ z ∂ y = ∂ z ∂ u ⋅ d u d y + ∂ z ∂ v ⋅ d v d y \frac{\partial z}{\partial x}=\frac{\partial z}{\partial u}\cdot \frac{du}{dx}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dx} \\ \frac{\partial z}{\partial y}=\frac{\partial z}{\partial u}\cdot \frac{du}{dy}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dy} ∂x∂z=∂u∂z⋅dxdu+∂v∂z⋅dxdv∂y∂z=∂u∂z⋅dydu+∂v∂z⋅dydvz = f [ u ( x , y ) , v ( y ) ] z=f[u(x,y),v(y)] z=f[u(x,y),v(y)] 时,
∂ z ∂ x = ∂ z ∂ u ⋅ d u d x ∂ z ∂ y = ∂ z ∂ u ⋅ d u d y + ∂ z ∂ v ⋅ d v d y \frac{\partial z}{\partial x}=\frac{\partial z}{\partial u}\cdot \frac{du}{dx} \\ \frac{\partial z}{\partial y}=\frac{\partial z}{\partial u}\cdot \frac{du}{dy}+\frac{\partial z}{\partial v}\cdot \frac{dv}{dy} ∂x∂z=∂u∂z⋅dxdu∂y∂z=∂u∂z⋅dydu+∂v∂z⋅dydv
可以参照复合函数求导法则
2. 隐函数求导公式
对隐函数(方程) F ( x , y , z ) = 0 F(x,y,z)=0 F(x,y,z)=0 在 ( x 0 , y 0 , z 0 ) (x_0,y_0,z_0) (x0,y0,z0) 的某个邻域内求偏导
∂ z ∂ x = − F x ′ F z ′ , ∂ z ∂ y = − F y ′ F z ′ \frac{\partial z}{\partial x} = -\frac{F^\prime_x}{F^\prime_z},\frac{\partial z}{\partial y} = -\frac{F^\prime_y}{F^\prime_z} ∂x∂z=−Fz′Fx′,∂y∂z=−Fz′Fy′
【注】 此处要求 F z ′ ( x 0 , y 0 , z 0 ) ≠ 0 F^\prime_z(x_0,y_0,z_0) \neq 0 Fz′(x0,y0,z0)=0 即上式右侧分母不为 0 ,偏导数才存在。
从几何意义上讲, F z ′ = 0 F^\prime_z=0 Fz′=0 时,所得导数值为无穷大,其切线斜率无穷大并垂直于 x/y 轴,即一组(x,y)对应多个 z 值,不能确定隐函数
对 F ( x , y ) = 0 F(x,y)=0 F(x,y)=0 ,为
∂ y ∂ x = − F x ′ F y ′ ( F y ′ ≠ 0 ) \frac{\partial y}{\partial x} = -\frac{F^\prime_x}{F^\prime_y}\qquad (F^\prime_y\neq0) ∂x∂y=−Fy′Fx′(Fy′=0)
四、多元函数极值与最值
1. 求极值-判别式法
必要条件
对于 z = f ( x , y ) z=f(x,y) z=f(x,y) ,在点 ( x 0 , y 0 ) (x_0,y_0) (x0,y0) 处取得极值,且在该点处 偏导数存在 ,则必有:
f x ′ ( x 0 , y 0 ) = 0 且 f y ′ ( x 0 , y 0 ) = 0 f^\prime_x(x_0,y_0)=0\ 且\ f^\prime_y(x_0,y_0)=0 fx′(x0,y0)=0 且 fy′(x0,y0)=0
【注】 如上,偏导数为 0 的点是 驻点充分条件
驻点处,记:
A = f x x ′ ′ ( x 0 , y 0 ) B = f x y ′ ′ ( x 0 , y 0 ) C = f y y ′ ′ ( x 0 , y 0 ) A=f^{''}_{xx}(x_0,y_0) \\ B=f^{''}_{xy}(x_0,y_0) \\ C=f^{''}_{yy}(x_0,y_0) \\ A=fxx′′(x0,y0)B=fxy′′(x0,y0)C=fyy′′(x0,y0)Δ = ∣ A B B C ∣ = A C − B 2 \Delta= \begin{vmatrix} A & B \\ B & C \\ \end{vmatrix} =AC-B^2 \\ Δ=∣∣∣∣ABBC∣∣∣∣=AC−B2
Δ < 0 \Delta<0 Δ<0 时,该点不是极值点
Δ > 0 \Delta>0 Δ>0 时,该点是极值点,其中 A > 0 A>0 A>0 时为极小值点, A < 0 A<0 A<0 时为极大值点【注】 二阶偏导数连续时 f x y ′ ′ = f y x ′ ′ f^{\prime\prime}_{xy}=f^{\prime\prime}_{yx} fxy′′=fyx′′
2. 求最值和极值-拉格朗日乘数法
拉格朗日乘数法用于求 z = f ( x , y ) z=f(x,y) z=f(x,y) 在条件 φ ( x , y ) = 0 \varphi(x,y)=0 φ(x,y)=0 的极值和最值,一般步骤为:
构造函数
F ( x , y , λ ) = f ( x , y ) + λ φ ( x , y ) F(x,y,\lambda)=f(x,y)+\lambda\varphi(x,y) F(x,y,λ)=f(x,y)+λφ(x,y)对 F ( x , y , λ ) F(x,y,\lambda) F(x,y,λ) 求偏导数,构建方程组
{ F x ′ = f x ′ ( x , y ) + λ φ x ′ ( x , y ) = 0 F y ′ = f y ′ ( x , y ) + λ φ y ′ ( x , y ) = 0 F λ ′ = φ ( x , y ) = 0 \begin{cases} F^{\prime}_x=f^\prime_x(x,y)+\lambda\varphi^\prime_x(x,y)=0 \\ F^{\prime}_y=f^\prime_y(x,y)+\lambda\varphi^\prime_y(x,y)=0 \\ F^\prime_\lambda=\varphi(x,y)=0 \end{cases} ⎩⎪⎨⎪⎧Fx′=fx′(x,y)+λφx′(x,y)=0Fy′=fy′(x,y)+λφy′(x,y)=0Fλ′=φ(x,y)=0解方程,找到所有可疑点的坐标,并判断是否是极值点(如果求最值则不用判别是否是极值)
将坐标代回 z = f ( x , y ) z=f(x,y) z=f(x,y) ,比较各极值的大小后可以的到最值
解方程时计算量可能稍大,大胆的去算!
【注】 对于 z = f ( x , y ) z=f(x,y) z=f(x,y) ,可以用 极值/最值 点相同的函数代替来化简计算,比如 z = x 2 + y 2 z=\sqrt{x^2+y^2} z=x2+y2 可用 z = x 2 + y 2 z=x^2+y^2 z=x2+y2 代替
五、常用运算
1. 方程两边求全微分
F ( x , y , z ) = 0 ⟹ F x ′ d x + F y ′ d y + F z ′ d z = 0 F(x,y,z)=0\Longrightarrow F^\prime_xdx+F^\prime_ydy+F^\prime_zdz=0 F(x,y,z)=0⟹Fx′dx+Fy′dy+Fz′dz=0
2. 多元函数求极限
例 lim x → 0 , y → 0 x y x 2 + y 2 令 y = k x 原 式 = lim x → 0 k x 2 ( 1 + k 2 ) x 2 = lim x → 0 k 1 + k 2 ∴ 极 限 不 存 在 \begin{aligned} 例&\lim_{x\rightarrow0,y\rightarrow0} \frac{xy}{x^2+y^2} \\ &令\ y=kx \\ 原式&=\lim_{x\rightarrow0} \frac{kx^2}{(1+k^2)x^2} \\ &=\lim_{x\rightarrow0}\frac{k}{1+k^2} \\ &\therefore 极限不存在 \end{aligned} 例原式x→0,y→0limx2+y2xy令 y=kx=x→0lim(1+k2)x2kx2=x→0lim1+k2k∴极限不存在
3. 微分间的运算
d x ⋅ d x = d x 2 = 2 x d x dx\cdot dx=dx^2=2xdx dx⋅dx=dx2=2xdx
d 2 x = 0 d^2x=0 d2x=0 ,可以认为:
d 2 y d x 2 = y ′ ′ ( x ) d 2 y = y ′ ′ ( x ) d x 2 令 y = x , 则 有 d 2 y = ( x ) ′ ′ d x 2 = 0 \begin{aligned} \frac{d^2y}{dx^2}=&y^{\prime\prime}(x) \\ d^2y=&y^{\prime\prime}(x)dx^2 \\ 令\ y=x,则有\ d^2y=&(x)^{\prime\prime}dx^2=0 \end{aligned} dx2d2y=d2y=令 y=x,则有 d2y=y′′(x)y′′(x)dx2(x)′′dx2=04. 二阶偏导数相等
设连续函数 f ( x , y ) f(x,y) f(x,y) ,给定了
∂ f ( x , y ) ∂ x = φ ( x , y ) ∂ f ( x , y ) ∂ y = ψ ( x , y ) \frac{\partial f(x,y)}{\partial x}=\varphi(x,y) \\ \frac{\partial f(x,y)}{\partial y}=\psi(x,y) ∂x∂f(x,y)=φ(x,y)∂y∂f(x,y)=ψ(x,y)
可以利用二阶偏导数相等( ∂ 2 f ( x , y ) ∂ x ∂ y \frac{\partial^2 f(x,y)}{\partial x\partial y} ∂x∂y∂2f(x,y)),构造方程,即
φ ( x , y ) ∂ y = ψ ( x , y ) ∂ x \frac{\varphi(x,y)}{\partial y}=\frac{\psi(x,y)}{\partial x} ∂yφ(x,y)=∂xψ(x,y)
5 - 多元函数微分学相关推荐
- 多元函数概念思维导图_高等数学 多元函数微分学 知识技巧思维导图 [21考研上岸之旅]...
Hello World,我的朋友,这里是一颗小白蛋,大千世界,很高兴以这样的方式与你相遇 前言 好久不见,这一次给大家带来考研高数的中多元函数微分学的相关内容. 2021张宇基础30讲 +2020汤家 ...
- 三元函数的几何图形一般是_多元函数微分学_高等数学习题与答案_doc_大学课件预览_高等教育资讯网...
第十章 多元函数微分学 多元函数的极限及连续性 思考题: 1,将二元函数与一元函数的极限.连续概念相比较,说明二者之间的区别. 答:二元函数与一元函数的极限都是表示某动点以任意方式无限靠近定点时,与之 ...
- 2020张宇1000题【好题收集】【第四章:多元函数微分学】【第五章:二重积分】
文章目录 多元函数微分学 基本知识 概念(感觉概念题还挺难的) 4.1[先代值后求导] 4.2 4.3 (1)是否连续,说明理由 (2)偏导数是否存在? (3)是否可微 4.4(打星) (1)偏导数存 ...
- 高等数学笔记-乐经良老师-第八章-多元函数微分学(Ⅰ)
高等数学笔记-乐经良老师 第八章 多元函数微分学(Ⅰ) 第一节 多元函数的基本概念 一.平面点集 01 邻域 点到点的距离 在二维空间中,点 P(x0,y0)P(x_0,y_0)P(x0,y0) ...
- 9.6 多元函数微分学的几何应用
本篇内容为多元函数微分学的几何应用,当然,有几何应用就有相应的代数应用,不过不是本篇的内容. 回顾 在本篇内容正文之前先做一下相关内容的回顾,这里只是简单地提一下本篇需要用到的相关内容,更详细的内容可 ...
- 高等数学笔记-乐经良老师-第八章-多元函数微分学(Ⅱ)
高等数学笔记-乐经良老师 第八章 多元函数微分学(Ⅱ) 第五节 多元复合函数的微分法 一.复合函数的偏导数 链法则 函数 u = u ( x , y ) , v = v ( x , y ) u=u(x ...
- 程序员的数学【多元函数微分学】
目录 前言 一.多元函数的定义 二.偏导数 三.高阶偏导数 四.梯度 五.雅可比矩阵 5.1 雅克比矩阵定义 5.2 雅克比矩阵示例 六.Hessian矩阵 6.1 Hessian矩阵定义 6.2 实 ...
- python AIOT教程一1.必备多元函数微分学理论基础
本篇博客主要给大家介绍一下,在学习python AIOT方向中,必备的数学基础知识. 一.多元函数 定义设D为一个非空的n 元有序数组的集合, f 为某一确定的对应规则. 若对于每一个有序数组,通过对 ...
- 考研:研究生考试(十五天学完)之《高等数学上/下册》研究生学霸重点知识点总结之考试内容各科占比及常考知识重点梳理(函数极限连续、一元/多元函数微分学/积分学、常微分函数、向量代数与空间几何、无穷级数)
考研:研究生考试(十五天学完)之<高等数学上/下册>研究生学霸重点知识点总结之考试内容各科占比及常考知识重点梳理(函数极限连续.一元/多元函数微分学/积分学.常微分函数.向量代数与空间几何 ...
最新文章
- 研发日烧6400万的百度发出新讯号,李彦宏:自动驾驶订单已是全球第一
- 各类操作系统的TTL字段值
- valgrind安装使用
- Fast Realtime Subsurface Scattering Skin Rendering
- 接收不到其他机器发来的报文_大厂真实案例:线上四台机器同一时间全部 OOM......
- 16进制 转为图片 php_Python 十六进制hex-bytes-str之间的转换和Bcc码的生成
- 一起谈.NET技术,40条ASP.NET开发Tip
- x264源代码简单分析:x264命令行工具(x264.exe)
- VB2010的时间表示
- 建模算法(十)——灰色理论之关联度分析
- 计算机组成原理-概述篇
- unity3d怎么让模型动起来_Unity3d笔记——利用Animator使模型动起来
- 高数教材班复习Hint(1.8-2.5)
- qt 导出word中插入图片
- 一个女人努力工作的意义
- HDU - 1598
- C++记录程序运行时间5大方法
- 2023/1/2总结
- 关于VideoQA(视频问答)的基本思路总结
- 小米8Lite刷机教程(大多数手机操作基本通用)
热门文章
- ubuntu使用docker-compose安装rabbitmq并实现延迟交换机
- idea断点里没有对号问题解决(断点是红色的里面没有对号)
- excel2json 一个excel转json的工具(开源)
- 重启计算机关闭账户,电脑开机重启提示您的账户已被停用怎么办
- Error receiving broadcast Intent com.android.vending.billing PURCHASES_UPDATED flg=0x10 has extras
- JavaScript——JSON
- hdu 6686 Rikka with Travels
- 蓝鲸智云统一开发环境搭建指南
- 5G FWA市场一跃而上,四信多款5G终端赋能FWA典型应用
- c语言 计算在10个学生的平均成绩,C语言:编写程序,输入10个学生的成绩数据,计算并输出平均分及低于平均分的学生的人数。...